IA-RAG:用区间代数搞定复杂时序推理 (EMNLP'26 findings)
你是否遇到过这样的尴尬:问 AI"2015 年 7 月之后 7 年 7 个月,小明在哪工作?"它却给你一堆无关的时间碎片?
传统 RAG 把时间当成冷冰冰的标签,而 IA-RAG 让时间变成了有逻辑、有结构的"区间",彻底重塑了动态知识检索。
三大核心技术
1. Allen 区间代数:给时间装上"逻辑脑"
告别离散的时间点!IA-RAG 基于经典的 Allen 区间代数,定义了 13 种时间关系(如 before, overlaps, during)。
- 以前:只能搜"1924 年"
- 现在:能理解"在 A 事件期间"、"B 事件结束后紧接着 C 事件"
精准捕捉持续、重叠、包含等复杂拓扑结构。
2. 子图时间收紧:模糊时间的"侦探"
很多史料只有"90 年代初"这种模糊描述。IA-RAG 通过子图时间收紧机制,利用关联事件的逻辑约束,自动推导出更精确的时间边界。
例子:如果知道 A 在 B 之前,且 B 是 1928 年,A 是模糊的"1920s",系统能自动缩小 A 的可能范围,减少噪声。
3. 层级主题森林 + 导向遍历:从宏观到微观的精准打击
构建分层的事件图谱(Thematic Forest)。检索时,先锁定宏观主题单元(MEU),再深入微观事件单元(IEU)。
智能导航:根据查询的时间窗口,动态决定向前、向后或双向遍历。不再盲目扩散,只抓取时间逻辑上真正相关的证据。
实战表现:碾压级优势
- ComplexTR 基准:在复杂的组合时序推理上,准确率比最强基线 DyG-RAG 高出 10.33%
- 效率更高:在保持高精度的同时,显著减少了输入 Token 数量,检索更紧凑、更高效
- 隐式推理:擅长处理没有明确时间戳的"隐性状态"查询,这是传统 Timestamp-based RAG 的死角
适用场景
- 历史人物生平追踪
- 政策法规演变分析
- 金融事件因果链挖掘
- 任何需要"时间逻辑"而非简单"关键词匹配"的知识问答